C’è un momento, nella diagnostica dei noduli tiroidei, in cui la medicina si trova davanti a una parola che pesa: indeterminato. È la zona grigia in cui l’esame citologico non basta a dire con certezza se un nodulo sia benigno o maligno, e dove per prudenza si finisce spesso per scegliere la strada della chirurgia.
È proprio su quel confine incerto che lavora Giulia Capitoli, ricercatrice del Dipartimento di Medicina e Chirurgia dell’Università degli Studi di Milano-Bicocca, vincitrice del My First AIRC Grant (MFAG) con il progetto “AI-Guided Image Recognition and Multiomic Integration for Thyroid Cancer Diagnosis”:
Cinque anni di ricerca per combinare riconoscimento automatico delle immagini, biomarcatori molecolari e dati clinici, con un obiettivo chiaro: rendere la diagnosi più solida, più interpretabile e più utile nelle decisioni. Un percorso che si collega anche all’esperienza di divulgazione scientifica “Salviamo una Tiroide!”, nata per avvicinare i cittadini al lavoro dei ricercatori e ora potenziata sul piano metodologico e clinico.
Dott.ssa Capitoli, partiamo dal problema: cosa significa quando una diagnosi è indeterminata?
Ci riferiamo a una zona grigia della pratica clinica, in cui l’analisi delle cellule prelevate con ago aspirato dal nodulo non consente di stabilire con certezza se il nodulo sia benigno o maligno.
Questa ambiguità nasce dal fatto che, osservando la morfologia cellulare al microscopio, alcune lesioni presentano caratteristiche intermedie: non mostrano segni evidenti di malignità, ma nemmeno elementi sufficienti per essere considerate sicuramente benigne. In altre parole, le cellule “sembrano tutte uguali” e non offrono un segnale diagnostico netto.
Il problema è tutt’altro che raro: circa il 30% delle diagnosi citologiche tiroidee rientra in questa categoria. E qui sta il nodo clinico: in assenza di una risposta chiara, per sicurezza molti pazienti vengono indirizzati verso la tiroidectomia, ovvero la rimozione completa della tiroide. Tuttavia, nell’80% dei casi, l’esame istologico post-operatorio rivela che il nodulo era benigno.
Le conseguenze sono rilevanti: per il paziente, che affronta un’operazione non necessaria con un forte impatto psicologico e con la prospettiva di una terapia ormonale sostitutiva per tutta la vita; per il sistema sanitario, che deve sostenere costi e impiegare risorse evitabili; e per l’intero percorso diagnostico, che resta ancora troppo esposto a un’incertezza strutturale.
È proprio da qui che nasce l’idea del progetto: se la morfologia non basta, bisogna “andare oltre” ciò che vediamo e integrare informazioni più profonde, come quelle molecolari, che sono l'impalcatura fondamentale delle cellule.
AI sulle immagini: cosa cambia rispetto all’osservazione di un vetrino nel modo tradizionale?
L’intelligenza artificiale non nasce per sostituire il patologo, ma per rafforzarne il lavoro, rendendolo più rapido, riproducibile e meno soggetto a variabilità.
In concreto, il primo contributo è molto pratico: l’AI può identificare automaticamente le cellule tiroidee (tireociti) nel campione. Questo è cruciale perché per poter fare diagnosi servono almeno 60 cellule tiroidee nel vetrino. Se il campione di ago aspirato messo su vetrino non è adeguato, il sistema può segnalarlo immediatamente (il vetrino viene scannerizzato in tempo reale con uno scanner portatile e l’AI conta immediatamente il numero di cellule disponibili per fare diagnosi), permettendo di ripetere subito l’esame senza richiamare il paziente in un secondo momento.
Ma il vero valore aggiunto sta nella lettura delle immagini a fini diagnostici sui campioni citologici risultati adeguati. L’intelligenza artificiale analizza il vetrino digitalizzato, riconosce tutte le cellule tiroidee presenti, individua eventuali pattern morfologici sospetti, per esempio legati a dimensione, circolarità o irregolarità dei bordi di ciascun tireocita, ed è in grado di evidenziare anche piccole aree a rischio, persino quando sono composte da pochissime cellule anomale immerse tra migliaia di cellule normali.
Questo significa che segnali molto precoci o rari, che potrebbero essere facilmente trascurati, persi nella complessità del campione, vengono messi in evidenza. Il patologo, quindi, non perde il controllo del processo, ma viene guidato verso le aree più informative, riducendo tempi e rischio di errore.
In sintesi, l’AI agisce come un sistema di supporto intelligente, che standardizza l’analisi e aumenta la sensibilità diagnostica, senza sostituire il giudizio clinico.
Integrare immagini, dati molecolari e informazioni cliniche è ambizioso: come si fa a trasformare un’enorme quantità di dati in un risultato comprensibile e utilizzabile senza perdere trasparenza e interpretabilità?
È una delle sfide centrali del progetto. Il problema non è solo la quantità di dati, ma la loro natura: immagini, marcatori molecolari e dati clinici sono completamente diversi tra loro per struttura e significato.
I modelli predittivi tradizionali tendono a valutare ogni variabile separatamente. Noi invece vogliamo fare un passo avanti: costruire modelli capaci di cogliere le interazioni tra variabili. Per esempio, non è solo la presenza di un singolo marcatore a essere rilevante, ma la combinazione tra più marcatori, o tra un marcatore e una caratteristica clinica.
Questo approccio è più vicino a ciò che accade realmente nei sistemi biologici, dove i processi sono il risultato di reti di interazioni, non di fattori isolati.
Dal punto di vista pratico, l’obiettivo è sviluppare un sistema di supporto decisionale integrato nel workflow clinico. A ogni visita, il medico inserisce le nuove informazioni disponibili, il sistema aggiorna in tempo reale il profilo di rischio del paziente e suggerisce quali siano i passaggi successivi più utili, suggerendo quale esame effettuare e in quale momento, così da rendere il percorso diagnostico più mirato, tempestivo e personalizzato.
Un aspetto fondamentale è la trasparenza: il sistema non deve essere una “scatola nera”, ma deve mostrare su quali dati e su quali casi simili del passato basa le sue indicazioni. In questo modo il medico può interpretare e contestualizzare il risultato.
L’obiettivo finale è quindi trasformare dati complessi in uno strumento chiaro, dinamico e realmente utile per prendere decisioni cliniche migliori, più rapide e meno invasive.
Un aspetto importante è che questo approccio permette di superare la rigidità di molti modelli clinici tradizionali, che si basano su soglie nette. Spesso, infatti, un valore viene considerato “alterato” solo oltre un certo limite, mentre appena sotto viene ignorato. Nella pratica clinica, però, il ragionamento è più sfumato: un valore vicino alla soglia, se associato ad altre informazioni, può comunque essere rilevante. Il nostro modello tiene conto proprio di queste situazioni intermedie, valutando le combinazioni di fattori e il loro contesto, senza ridurre la decisione a un semplice “sopra o sotto” una soglia, ma restituendo un rischio più continuo e aderente alla realtà clinica, al pensiero umano.
Dalla divulgazione alla validazione clinica: il suo lavoro ha avuto anche una forte componente di public engagement, con l’idea di raccontare la ricerca in modo accessibile. In che modo l’esperienza di “Salviamo una Tiroide!” le è stata utile/trova oggi continuità nel grant AIRC?
“Salviamo una Tiroide!” è stato un passaggio fondamentale, non solo per comunicare la ricerca, ma per costruire il progetto stesso.
Nasce dall’esigenza, emersa soprattutto dopo il periodo Covid, di spiegare meglio cosa fa concretamente un ricercatore e di avvicinare i cittadini, inclusi i nostri stessi familiari, a temi complessi come la diagnosi oncologica.
Attraverso la divulgazione e i canali social abbiamo reso il nostro lavoro più accessibile, costruito una comunità attorno al progetto e sviluppato un linguaggio più chiaro e condivisibile. L’impatto non si è fermato alla comunicazione: questa esperienza ha avuto effetti concreti anche sul piano scientifico, perché ha contribuito a far conoscere il progetto ad altri gruppi di ricerca, ha favorito l’avvio di nuove collaborazioni e ha creato sinergie interdisciplinari preziose per la crescita del lavoro.
Oggi, con il grant AIRC, questo percorso trova una continuità naturale. Da un lato, possiamo portare avanti il progetto in modo più strutturato e tecnico; dall’altro, manteniamo forte la dimensione di apertura e condivisione.
In un certo senso, stiamo raccogliendo il testimone dai nostri supervisori del Dipartimento di medicina e chirurgia: Fabio Pagni, dell’unità di Anatomia Patologica, Stefania Galimberti, dell’unità di Statistica, e Fulvio Magni, dell’unità di Proteomica e Metabolomica. Dopo una prima fase esplorativa, ora lavoriamo per trasformare quelle intuizioni in strumenti concreti, formando allo stesso tempo una nuova generazione di ricercatori e mantenendo vivo il dialogo con la società.
Il nostro è un gruppo giovane e interdisciplinare: Lisa Pagani e Vanna Denti seguono la parte biologica, Vincenzo L’Imperio l’ambito clinico e Vasco Coelho quello informatico.
In questo percorso, “Salviamo una Tiroide!” ha avuto un ruolo importante non solo nel rafforzare la coesione del team e nel chiarire meglio le direzioni future del progetto, ma anche nel dimostrare in modo concreto la nostra capacità di comunicare la ricerca e di coinvolgere il pubblico, un aspetto oggi sempre più rilevante anche per realtà come AIRC.
L’esperienza maturata con “Salviamo una Tiroide!” ci ha inoltre dato l’opportunità di contribuire alla divulgazione tra pari attraverso pubblicazioni scientifiche che hanno consolidato il nostro background e rafforzato la credibilità del gruppo in questo ambito progettuale. AIRC permette oggi a noi giovani ricercatori di portare avanti questo lavoro con nuove prospettive, aprendo la strada anche all’ingresso di nuovi studiosi che potranno entrare nel progetto attraverso dottorati e nuove posizioni di ricerca.
